蜂王浆采集的过程繁琐费时,且受储存条件影响较大,市场上的蜂王浆质量层次不齐。现有的检测方法不能同时满足快速、准确性好的检测要求,由于中红外光谱中的化学键信息可以反映蜂王浆的品质,并与其常规指标（水分、水溶性蛋白质、总糖、酸度、黏度、色差）的变化有关。本课题以蜂王浆为研究对象,建立蜂王浆品质定性和定量快速检测方法,具有良好的理论意义和应用价值。主要研究内容和结果如下:1基于常规指标和中红外光谱信息的蜂王浆品质定性判别为了比较常规指标和中红外光谱判别蜂王浆品质的区别,并研究中红外光谱替代常规指标的可行性,通过不同贮存条件下的蜂王浆常规指标、中红外光谱及两者的信息融合,建立相应分类模型,对蜂王浆贮存条件进行定性判别。采用主成分分析提取特征信息,支持向量机建立的温度（冷冻-常温）两分类模型验证集识别率为88.89%,时间（7-14-30d）三分类模型验证集识别率为87.5%。基于中红外光谱信息建立的温度两分类模型验证集识别率为94.44%,时间三分类模型的验证集识别率为94.44%。基于信息融合后的温度两分类模型验证集识别率为97.22%,时间三分类模型的验证集识别率为100%。结果表明,基于中红外光谱的预测模型比基于常规指标更准确,且两者相结合能够进一步提升识别率。2基于PLS的蜂王浆品质指标线性定量预测在对不同品质的蜂王浆定性分类基础上,选用具有代表性的蜂王浆品质指标（水分、水溶性蛋白质、总糖）,分别建立相应的偏最小二乘（PLS）定量预测模型,通过比较不同预处理预测结果得出的最佳预处理方式分别为SG平滑+一阶导数+SNV、SG平滑+一阶导数、SG平滑+二阶导数,通过比较不同波长选择方法,竞争性自适应重加权法（CARS）预测效果最优,其挑选特征波长为96、84、111个,建立的偏最小二乘模型相关系数分别为0.9555、0.9631和0.9850,均方根误差分别为0.0046、0.0913和0.4244。结果表明,通过PLS法处理中红外光谱信息,可以较好地预测蜂王浆常规指标,可应用于蜂王浆品质快速检测。3基于BP神经网络的蜂王浆品质参数非线性定量预测基于PLS模型的定量预测效果还有待进一步提高,采用BP神经网络算法处理蜂王浆的中红外光谱信息,以第2部分选取的中红外光谱特征波长吸光值为BP神经网络输入层神经元,建立三个代表性品质指标的预测模型并进行定量预测。结果表明,相比于常用预处理的PLS线性模型,通过评价不同网络结构组合得出的BP神经网络模型对水分、水溶性蛋白质、总糖均方根误差分别为0.0032、0.0058、0.0069,均有大幅降低,在保证校正集准确的同时,其相关系数也能保持在0.9353、0.9533、0.9563,具有较好的预测效果。